ANALISIS ESTADISTICO EXPLORATORIO DE CAMPAÑA DE PRUEBAS LABORATORIO

Nombre de Variables

Se cambiaron los nombres de las variablea según su naturaleza, las cuales se separaron en tres grupos:

• Entrada (ent),

• Operacionales (op),

• Salida (sal)

Creación de Variable UGG y Selección de Variables

En base a la información del proyecto se usaran algunas variables de entrada para establecer las diferentes UGG’s del mineral alimentado, siendo esta última, una variable clave del análisis.

Adicionalmente se seleccionaron todas las variables que describen las propiedades químicas, mineralógicas y metalúrgicas del mineral alimentado a las pruebas, asi como las principales variables de respuesta (recuperaciones metalúrgicas, leyes y constantes cinéticas), también se seleccionaron variables operacionales relativas a la adición de reactivos. El resto de las variables, incluidas aquellas que reportaron valores constantes, se dejaron fuera del conjunto de datos.

De esta forma, la estructura del conjunto de datos seleccionado, se muestra a continuación:

 [1] "ugg"                     "sfr_rcu_bin"            
 [3] "ent_kao_pct"             "ent_mus_ser_rate_pct"   
 [5] "ent_sum_cao_mus_ser_pct" "ent_cu_grain_um"        
 [7] "ent_cu_lib_pct"          "ent_spi"                
 [9] "ent_cpy_pct"             "ent_p80_micron"         
[11] "ent_passing_38mm"        "ent_mas65ty"            
[13] "ent_cu_pct"              "ent_mo_pct"             
[15] "ent_fe_pct"              "ent_s_pct"              
[17] "ent_py_pct"              "ent_cus_pct"            
[19] "ent_cucn_pct"            "ent_cuarzo_pct"         
[21] "ent_feed_pct_solids"     "ent_ini_mix_frother_gpt"
[23] "ent_ini_sec_301_gpt"     "ent_ph_pre_test"        
[25] "sal_m_rec_pct"           "sal_sfr_rcu_7"          
[27] "sal_sfr_cuco_7"          "sal_sfr7_rmo"           
[29] "sal_lab_k"               "sal_lab_rmax"           
[31] "op_mix_frother_gpt"      "op_sec_301_gpt"         
[33] "op_froth_depth_inch"     "op_ph_end_test"         

Registros Válidos

A continuación se muestra la proporción de registros válidos por variable:

Registros por UGG

A continuación se muestra la proporción de registros por UGG:

Registros por Nivel de RCuT_SFR7

La recuperación de cobre en la celda SFR7 se discretizó en tres niveles a fin de poder visualizar tendencias operacionales.

Estadísticos por Variable

Estadísticos por UGG y por Variable

Variables de Entrada

De las variables de entrada se puede indicar principalmente lo siguiente:

• Se observa una correlación inversa entre los diferentes niveles de recuperación metalúrgica de cobre con los contenidos de arcillas, especificamente; el % de caolinita y el % total de arcillas (cao+mus+ser). En este contexto, las UGG’s 2 y 4 reportan las mayores niveles de arcillas.
• Se observa una correlacion proporcional entre los niveles de recuperacion de cobre con el tamaño de grano de cobre y % liberación. En este contexto la UGG 2 muestra los valores mas bajos de tamaño de grano de Cu y % liberación.
  
• A mayores valores de %-38 um la recuperacion reporta valores mas bajos. En este contexto las UGG’s 2, 4 y 6 reportan los mayores %-38 um.
• También se observa una relación inversa de la recuperación con el cobre soluble (CuS) y cianurable (CuCN). En este contexto las UGG 2 reporta los mayores contenidos de CuS y CuCN.
• Se observa una relación directa leve del porcentaje de cuarzo con la recuperación de cobre.

Variables de Operación

La adicion de colector para el rango de recuperaciones bajas fue mayor que en los otros casos (media y alta). Esto debe investigarse en las observaciones de las pruebas experimentales.

Variables de Salida

De las variables de salida se puede indicar principalmente lo siguiente:

• Como era de esperar los niveles de recuperación estan correlacionados con las contantes cineticas K y RMAX. A su vez UGG’s 3 y 5 reportan las mayores K y UGG’s 2, 4 y 6 los menores RMAX.
• UGG 2 y 4 reportan las mayores recuperaciones másicas y a su vez las menores leyes de Cu.

Componentes Principales

El análisis de componentes principales se utilizó para evaluar el conjunto de datos, de forma de simplificar/reducir sus dimensiones conservando gran parte de la información estadística. Adicionalmente este análisis permite establecer correlaciones entre las variables mas importantes del conjunto de datos.

Metodo de Bosque Aleatorio

Consiste en un conjunto de arboles de desición, los cuales se combinan muchas veces en repeticiones aleatorias con distintas porciones del conjunto de datos a fin de predecir la variable objetivo.

Metodo UMAP (Aproximación y Proyección Uniforme)

Al igual que el análisis de componentes principales, UMAP se usa para reducir la dimensionalidad de un conjunto de datos, de muchas variables/columnas a un espacio 2D o 3D (2 o 3 ejes/variables), las cuales capturan gran parte de la variabilidad del conjunto original. La principal diferencia de UMAP con PCA radica en que el primero es un método no lineal, mientras que el segundo es lineal, lo anterior permitiria obtener un mejor rendimiento de UMAP frente a PCA en estructuras de datos mas complejas.

Metodo de Correlación

Consiste en medir el grado en que dos variables tienden a cambiar juntas. El coeficiente describe tanto la fuerza como la dirección de la relación.

[[1]]

[[2]]

RCuT_SFR7 v/s Principales Variables por UGG